Registration Number
0826U004956, PhD dissertation
Status
Доктор філософії
Date
10-09-2026
popup.evolution
o
Чому дисертація має статус "Запланована"?
Title
Neural Network Model for UAV Swarm Control
Author
Ihnat Myroshnychenko,
popup.head Dmytro P. Kucherov
popup.opponent Ihor M. Kliushnikov
popup.opponent Leonid M. ARTYUSHIN
popup.review Pylyp Prystavka
popup.review Olena P. Nechyporuk
popup.rada
National University «Kyiv Aviation Institute»
Description
У дисертаційній роботі розглянуто питання розроблення децентралізованої нейромережевої моделі управління групою безпілотних літальних апаратів на основі графових нейронних мереж та методів мультиагентного навчання з підкріпленням. Основну увагу приділено створенню моделі, що забезпечує координоване переміщення групи БПЛА, підтримання заданої формації, уникнення зіткнень між агентами та можливість масштабування системи без повторного навчання при зміні кількості літальних апаратів. Запропонований підхід базується на поєднанні графових нейронних мереж із механізмом уваги та алгоритму мультиагентного навчання з підкріпленням за парадигмою централізованого навчання і децентралізованого виконання.
Проведено систематичний аналіз сучасних методів координації груп безпілотних літальних апаратів, досліджено особливості застосування правил Рейнольдса, методів потенційних полів, алгоритмів мультиагентного навчання з підкріпленням та графових нейронних мереж. Визначено їх переваги, обмеження та сформульовано вимоги до побудови ефективної системи децентралізованого управління роєм БПЛА.
У другому розділі розроблено математичну модель багатoагентної системи безпілотних літальних апаратів у вигляді динамічного графа, сформовано модель локального стану кожного агента, структуру інформаційного обміну між сусідніми БПЛА та запропоновано математичний опис критеріїв безпечного руху і масштабованості системи. Побудовано модель взаємодії агентів, яка враховує зміну топології мережі та локальний характер обміну інформацією.
Розроблено нейромережеву архітектуру системи управління роєм безпілотних літальних апаратів, яка поєднує графову нейронну мережу з механізмом уваги та алгоритм мультиагентного навчання з підкріпленням. Запропоновано архітектуру Актора і Критика для реалізації централізованого навчання та децентралізованого виконання, розроблено функцію винагороди, що враховує точність підтримання формації, безпечні відстані між агентами, зв'язність групи та ефективність виконання місії. Для підвищення безпеки руху реалізовано дворівневий механізм уникнення зіткнень, який поєднує навчання з підкріпленням із шаром забезпечення безпечних відстаней на основі квадратичного програмування. В результаті експериментальної перевірки запропонованої моделі в симуляційному середовищі Gazebo із використанням програмної платформи ArduPilot. проведено порівняння запропонованого підходу із сучасними методами координації груп БПЛА за показниками точності підтримання формації, безпеки руху, успішності виконання місій та масштабованості. Результати експериментів підтвердили ефективність запропонованого методу, його здатність забезпечувати стабільне керування групою безпілотних літальних апаратів без перенавчання при збільшенні кількості агентів, а також можливість використання моделі на вбудованих бортових обчислювальних пристроях у режимі реального часу.
Розроблені математична модель, метод децентралізованого управління та програмне забезпечення можуть бути використані під час створення інтелектуальних систем керування групами безпілотних літальних апаратів для виконання задач картографування місцевості, моніторингу, пошуково-рятувальних операцій, інспектування об'єктів інфраструктури, екологічного контролю та виконання спеціальних місій. Запропоновані моделі й алгоритми забезпечують підвищення ефективності координації рою БПЛА, скорочення обчислювальних витрат і покращення масштабованості систем групового управління.
Registration Date
2026-08-31
popup.nrat_date
2026-08-31 / 2026-08-31
